基于机器学习混合模型的App广告点击率预测研究

摘要

移动网络技术的日新月异与移动商务的广泛开展推动了移动互联网广告行业的迅猛发展。根据艾瑞咨询的研究报告显示，2016年网络广告市场规模已达2902.7亿元，其中移动网络广告规模占比超过60％。随着以智能手机为代表的各类智能化移动终端日益普及，依托移动App应用进行网络广告投放正受到越来越多广告主的青睐。App广告包括内置视频广告、启动屏广告、横幅广告、积分墙广告、信息流广告等多种形式，与传统网络广告相比，具有更强的媒体表现性、信息交互性与推送精准性，能够更好的实现营销目标。如何衡量APP广告的投放效果并有效提高其点击率(Click-Through Rate，CTR)与转化率(Conversion Rate，CVR)，是广告主和APP运营商共同关注的焦点。广告点击率和转化率是衡量广告投放效果的重要指标。其中，广告点击率是指广告正式发布后被用户点击的概率;转化率则是指用户点击广告后产生实际消费行为的概率。相对于广告点击率，转化率直接影响着广告主的商业目标与经济效益，是广告主进行广告付费的关键依据。通过APP广告点击率分析与预测，不仅能够判断广告投放后的市场效益，还能进一步明确广告投放效果对网络消费者行为的影响，从而帮助广告主更好地开展营销活动，实现商业目标。 本文针对App广告点击率预测问题展开研究，系统阐述了国内外研究现状和广告点击率基础理论，在此基础上，综合运用随机森林、梯度提升决策树、随机梯度下降、场感知因子分解机模型四种机器学习算法构建了App广告点击率综合预测模型——RF+LGFV，并详细分析了模型的应用原理，进而基于实验设计对模型进行了验证。通过与单一机器学习算法预测结果进行比较，证明了混合机器学习算法在App广告点击率预测上的优势。本文的贡献如下: 1.App广告点击率预测特征选择。本文使用随机森林、梯度提升决策树这两种机器学习算法从初始特征集中提炼显著特征，并将两个特征集的并集作为新的特征集训练预测模型，过滤不显著特征。通过提取特征，不仅简化了维度，提高了模型训练的效率，也能防止低质特征对模型准确性的干扰，提高预测精度。 2.App广告点击率预测模型构建。本文针对单一的机器学习算法和主观特征选择存在的弊端，在综合应用随机森林、梯度提升决策树、随机梯度下降、场感知因子分解机模型四种机器学习算法，提出了一个App广告点击率综合预测模型——RF+LGFV，并基于腾讯公司旗下社交类App广告的真实数据对模型的有效性与精确性进行验证，为广告主提高App广告点击率提供了有效依据。

目录

声明

摘要

1．1．1研究背景

1．1．2研究意义

1．2国内外研究现状

1．2．1广告点击率预测研究

1．2．2机器学习分类方法研究

1．3研究内容与方法

1．3．1研究内容

1．3．2研究方法

1．4研究创新点

第二章App广告及其点击率预测算法

2．1．4 App广告投放面临的主要问题

2．2基于机器学习的App广告点击率预测算法

2．2．1随机森林

2．2．2梯度提升决策树

2．2．3随机梯度下降

2．2．4因子分解机

2．3．1 Bagging

2．3．2 Boosting

2．4本章小结

第三章App广告点击率预测模型构建

3．1 App广告点击率影响因素

3．1．1广告特征因素

3．1．2用户特征因素

3．1．3上下文特征因素

3．2基于RF+LGFV算法的App广告点击率预测模型构建

3．2．1特征提取

3．2．2初级模型构建

3．2．3基于RF+LGFV混合模型的App广告点击率预测

3．3本章小结

第四章实验设计

4．1数据提取

4．1．1数据提取过程

4．1．2 App广告数据表结构

4．2数据预处理

4．2．1基于奇异值分解的数据降维

4．2．2基于主成分分析的数据降维

4．2．3数据归一化

4．3 App广告点击率预测特征提取

4．4实验结果分析

4．4．1 App广告点击率预测衡量指标

4．4．2结果分析

4．5本章小结

第五章研究结论与展望

5．1全文总结

5．2研究展望

致谢

参考文献